无数论药理学格量化数据集

数据集获取

源站：https://doi.org/10.17632/v3vpnpwhyk.1

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

该数据集支持一个针对被忽视疾病的基于配体的药物筛选与风险消减平台，重点关注抗菌药物耐药性和疟疾。它提供了经过清理、可重复且经过诚实评估的生物活性数据，以及判断模型可靠性所需的结果。数据来自两个开放资源：ChEMBL（生物活性，CC BY-SA 3.0）和Open Targets Platform（人类靶点-疾病遗传学，CC BY 4.0）。生物活性记录被标准化为p尺度（p = 摩尔浓度的负对数；结合试验为pIC50，全细胞抗菌试验为pMIC，通过分子量将ug/mL转换为该尺度），按InChIKey去重，重复测量值以中位数聚合，并使用RDKit进行规范化。每个化合物都带有一个Bemis-Murcko骨架划分（训练/测试），因此留出评估可以精确复现，且各划分之间没有类似物泄漏。

该数据包包含：(1) 五个生物活性表——恶性疟原虫（疟疾，IC50）、金黄色葡萄球菌和大肠杆菌（全细胞MIC）、乙酰胆碱酯酶（AChE，IC50）以及EGFR（IC50，肿瘤学参考）；(2) 一个hERG心脏毒性风险表，其中删失的“大于”记录被重新认定为可靠的非阻断剂——这些通常被丢弃的宝贵阴性数据；(3) Open Targets靶点验证证据，包括保护性功能缺失（LoF）信号；(4) 留出模型指标和图表；以及(5) 完整代码模块，可确定性地重新生成所有内容（2048位ECFP4计数指纹、RandomForest、固定随机种子）。值得注意的发现。留出（骨架拆分）排序性能的Spearman相关系数范围为0.51–0.77；全细胞MIC在预测上刻意比单靶点结合更难，因为它融合了膜通透性和外排作用。预测可靠性通过RandomForest树方差进行量化：剔除置信度最低的40%疟疾预测后，Spearman从约0.55提升至约0.68（一种经过验证的弃权/适用域效应

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。